定向投毒攻击

成功率超九成

针对纵向联邦学习的嵌入操纵攻击，可在不同学习配置下稳定实现定向误分类。

刘俊林 · Lyu, Xinchen · 任晨珊 · 崔琪楣

IEEE Transactions on Dependable and Secure Computing 2025

参数信息

平均攻击成功率

0.9

技术优势

攻击成功率高

平均攻击成功率超过0.9，使模型预测被有效操纵。

攻击稳定可扩展

在不同学习配置下保持稳定性和鲁棒性，适用于多种VFL设置。

可绕过多种防御

对六种不同防御方法仍然有效，凸显现有防御不足。

应用场景

• 联邦学习安全：用于评估纵向联邦学习模型的脆弱性，指导安全测试。
• 隐私保护机器学习：揭示隐私保护机制中的投毒风险，推动防御设计。
• 对抗攻击防御：为对抗性防御方法提供基准测试攻击。
• 多智能体系统：适用于多智能体协同训练场景下的安全分析。
• 分布式学习：作为分布式学习系统安全性评估的测试工具。